Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Bioengineering

Segmentação Neuronal fibra folhetos para a terapia de estimulação profunda do cérebro usando modelos interativos, paciente específico

doi: 10.3791/57292 Published: August 12, 2018

Summary

O objetivo deste projeto é desenvolver um pipeline de modelagem interativa, paciente específico para simular os efeitos da estimulação profunda do cérebro em tempo quase real e fornecer feedback significativo sobre como estes dispositivos influenciam a atividade neural no cérebro.

Abstract

Estimulação cerebral profunda (DBS), que envolve a inserção de um eletrodo para entregar a estimulação de uma região do cérebro localizada, é uma terapia estabelecida para distúrbios do movimento e está sendo aplicada a um número crescente de transtornos. Modelagem computacional tem sido usada com sucesso para prever os efeitos clínicos de DBS; no entanto, há uma necessidade de técnicas de modelagem de novela manter o ritmo com a crescente complexidade dos dispositivos DBS. Estes modelos também precisará gerar predições rapidamente e com precisão. O objetivo deste projeto é desenvolver um pipeline de processamento de imagem para incorporar imagens de ressonância magnética estrutural (MRI) e imagem de difusão ponderada (DWI) em um modelo específico de interativo, paciente para simular os efeitos de DBS. Uma pista DBS virtual pode ser colocada dentro do paciente modelo, juntamente com contatos ativos e configurações de estimulação, onde as alterações na posição de liderança ou orientação geram uma nova malha de elementos finitos e a solução do problema no campo bioelétrico perto em tempo real, uma TimeSpan de aproximadamente 10 segundos. Este sistema também permite a simulação de diversas pistas nas proximidades para permitir a direção atual por variados ânodos e cátodos diferentes pistas. As técnicas apresentadas neste trabalho reduzem a carga de gerar e usando modelos computacionais, proporcionando feedback significativo sobre os efeitos da posição do eletrodo, projeto do eletrodo e configurações de estimulação para pesquisadores ou clínicos que não sejam especialistas em modelagem.

Introduction

Estimulação cerebral profunda (DBS) é uma terapia estabelecida para distúrbios de movimento como tremor essencial1 e a doença de Parkinson2. Esta terapia está sendo investigada também como um potencial tratamento para um número crescente de transtornos, inclusive de lesão cerebral traumática3, síndrome de Tourette4e depressão5. DBS sistemas exigem a implantação cirúrgica de um chumbo de eletrodo para entregar a estimulação em uma região do cérebro localizada para modular a atividade neural em curso6. A localidade de ambos os eletrodos e os parâmetros de estimulação tem um efeito sobre a modulação de circuitos neuronais que fornecem o benefício terapêutico. Pequenas variações na localização podem afetar a janela terapêutica, possivelmente aumentando a probabilidade de efeitos colaterais adversos antes o benefício terapêutico é conseguido7,8,9. Na prática, muitas vezes é difícil prever que a estimulação de efeitos terá sobre a atividade neural; Consequentemente, esta janela de benefício terapêutico é identificada em uma base de paciente por paciente como o dispositivo de estimulação é programado pelo médico,8,9. Este processo está se tornando mais complexo, como as novas gerações de dispositivos DBS se tornam disponíveis. Por exemplo, chumbo novos projetos estão sendo introduzidos com mais contatos11,de10,12, e em alguns casos diversas pistas estão sendo implantadas nas proximidades de um outro13. Portanto, há uma necessidade de ser capaz de explorar e prever os efeitos de DBS através de um espaço grande e crescente de parâmetro.

Análise e modelagem computacional podem ser usados para prever os efeitos fisiológicos e clínicos de DBS em uma base de paciente específico. Estes modelos usam elementos finitos (FEM) de modelagem para construir três representações dimensionais do tecido cerebral e as características biofísicas do eletrodo implantado. Modelos de campo bioelétrico FEM têm sido utilizados com sucesso para prever os efeitos de DBS14, mas até agora, estes têm sido demorada e dispendiosa computacionalmente gerar. Há uma necessidade de técnicas de modelagem de novela manter o ritmo com a crescente complexidade dos dispositivos DBS. Estes modelos específicos do paciente devem fornecer perto de feedback visual em tempo real sobre os efeitos de DBS como a localização de chumbo ou parâmetros de estimulação são alterados. O usuário obter feedback sobre um local de chumbo e configuração de estimulação em poucos segundos, permitindo que continuou o refinamento do posicionamento de liderança ao longo de vários minutos. Paciente-especificidade é obtida incorporando a anatomia do paciente, a forma do seu cérebro e tamanho, quando estiver criando o FEM e aplicando as propriedades biofísicas do cérebro, tais como condutividade tecido anisotrópica. Condutividade anisotrópica descreve como corrente se espalhará por regiões diferentes do cérebro e pode ser medido de forma não-invasiva para o cérebro todo semelhante a uma imagem típica de ressonância magnética (MRI).

DBS modelagem abordagens que não usam informações específicas do paciente pode fornecer previsões rápidas, mas menos exatas dos efeitos da estimulação, devido à generalizada de geometrias e valores de condutividade para o tecido cerebral. Nessa abordagem, um único FEM é usado para todos os pacientes e a atividade neural prevista pode ser calculada antecipadamente. Modelos específicos do paciente não podem ser generalizados e previamente calculados desde que um novo FEM é construído para cada indivíduo. Esses modelos requerem mais esforço para construir, mas pode ser mais precisa. Diversos fatores limitam a velocidade em que estes modelos podem ser construídos e usados: 1) modificar os parâmetros no início do pipeline de edifício do modelo, tais como posição do eletrodo, requer esforço manual para atualizar todas as etapas subsequentes; e 2) os passos no pipeline de modelagem não são facilmente integrados com o outro, exigindo a passagem de dados entre vários pacotes de software. Muitas vezes, queremos avaliar muitas situações diferentes, tais como posição do eletrodo, parâmetros de estimulação ou projetos de eletrodo. Para fornecer feedback significativo sobre o efeito que estas mudanças têm sobre o efeito terapêutico, que o paciente irá receber, esses resultados devem ser precisos e gerados rapidamente.

Nosso objetivo é apresentar novas técnicas para a construção de modelos específicos do paciente que tiram proveito da velocidade obtidos em modelos generalizados e automatizar muitos dos passos gasoduto para criar um ambiente de modelagem interativa que fornece perto de visual em tempo real feedback sobre os efeitos de DBS. Uma simulação interativa permite que um usuário testar predições e obter resultados rapidamente sem foco em detalhes da construção do modelo. Isto é benéfico quando há um espaço grande parâmetro para explorar e como estes parâmetros influenciam a simulação são incertas. Descreveremos os passos no pipeline de processamento para gerar modelos FEM interativos, paciente específico de aquisições de imagens de ressonância magnética (MRI). Utilizar as ferramentas e técnicas descritas neste artigo irá reduzir o custo de tempo para criar modelos de campo bioelétrico FEM e fornecem uma maneira de disponibilizar esses modelos para pesquisadores e clínicos que não são especialistas de modelagem.

Este protocolo descreve como construir um modelo de elementos finitos de paciente específico dos volumes adquiridos do MRI e em seguida, simular o campo elétrico induzido por um eletrodo DBS. As etapas principais na criação desses modelos são: 1) construir um modelo de elementos finitos (FEM), que representa o cérebro do paciente e o eletrodo implantado, 2) adicionar propriedades biofísicas dos parâmetros do dispositivo DBS cerebral e estimulação para o FEM e 3) resolver para a tensão gerada por eléctrodo no modelo. Duas modalidades de imagem são necessários para construir um modelo paciente específico para simulação de DBS. Um T1 MRI é usado para construir segmentações da superfície do cérebro, ventrículos e núcleos específicos. Imagem latente difusão-tornada mais pesada (DWI), uma medida de difusividade de água, é usado para estimar os tensores de difusão em todo o tecido de cérebro15. Os tensores de difusão são convertidos em tensores de condutividade que quantificar as não-homogênea, anisotrópicas Propriedades biofísicas do tecido em um voxel por voxel base16. A distribuição de tensão em todo o cérebro induzida por eléctrodo é calculada através da resolução da equação de Poisson, que, através da aplicação de FEM, simplifica-se a um sistema linear de equações Ax = b onde A é uma matriz de rigidez que representa a condutividade e a geometria da malha, x é a solução de tensão em cada nó na malha, e b é modificada com base nas condições de contorno e fontes de corrente.

Protocol

1. processamento de imagem

  1. T1 Segmentação de MRI
    1. Baixe e instale o FreeSurfer17. Presume-se que um MRI T1 foi adquirido e está no formato DICOM ou NIFTI.
    2. Digite o seguinte comando para criar um diretório de paciente e adicionar o respectivo volume de T1 no FreeSurfer: recon-todos - s patientNameé -i /Full/Path/To/nii
    3. Tipo o seguinte comando para executar do FreeSurfer automatizado segmentação: recon-todos - s patientNameé-todos os
    4. Use o mri_convert para converter "aseg.auto.mgz" fora do formato de .mgz proprietária do FreeSurfer.
  2. Difusão ponderada Imaging (DWI)
    1. Baixe e instale o Slicer18. Presume-se que uma aquisição de DWI foi realizada e está disponível como uma pilha de arquivos DICOM.
      Nota: Uma ferramenta de linha de comando bom para realizar esta reconstrução é a biblioteca de Software da FMRIB (FSL)19. FSL foi utilizado neste protocolo para realizar eco-planar, movimento e correção de distorção de corrente eddy antes da reconstrução. Os dados de DWI utilizados nesta análise são uma série de arquivos DICOM para 41 diferentes direções gradientes difusão sensibilizador.
    2. Use o módulo DWIConverter na segmentação de dados para reconstruir as 41 aquisições separadas em um único volume. Especifique o Diretório de dados Dicom de entrada onde se encontra os dados de DWI. Selecione o botão de rádio DicomToNrrd e forneça o nome do volume DWI saída.
    3. Crie uma máscara de Tensor com o módulo de Difusão ponderada Volume mascaramento para eliminar o ruído de fundo de avaliacao DTI. Deixe o parâmetro limite padrão de 0,5.
    4. Converta este volume único de DWI para um volume de Tensor de difusão (DTI) com a DWI para DTI estimativa usando a máscara criada na etapa anterior, como a Máscara de Tensor de difusão. Defina os parâmetros de estimativa de mínimos quadrados e verifique se a opção de Deslocamento negativo autovalores .
    5. Salve o volume DTI recém-criado no formato NRRD.

2. geração do modelo finitos

  1. SCIRun
    1. Baixe e instale SCIRun versão 5 (http://www.sci.utah.edu/software/scirun.html). SCIRun é um ambiente de resolução de problemas para modelagem, simulação e visualização de problemas científicos. Esta é a bancada de trabalho computacional usada para criar, resolver e interagir com o modelo desenvolvido neste projeto.
      Nota: SCIRun redes são construídas conectando-se sequências de módulos individuais que realizam tarefas específicas. Passando dados através de uma rede feita de módulos simples permite mais complexas de processamento e simulação.
  2. Construindo a geometria do eletrodo
    Nota: O eletrodo modelado neste projeto é um chumbo de Medtronic 3387 DBS20. É uma pista cilíndrica com quatro contatos afastados espaçados de 1,5 mm, 1,27 mm de diâmetro e 1,5 mm de altura. Material não-condutor separa os quatro contatos.
    1. Crie uma malha fechada de superfície para cada componente na liderança DBS combinando as dimensões listadas. Crie a pista inteira usando duas geometrias primitivas, esferas e cilindros.
      Nota: A geometria de chumbo pode ser criada em uma variedade de programas de modelagem 3D.
    2. Crie uma malha de superfície de uma camada de encapsulamento 0,5 mm de espessura que cercam a pista inteira.
  3. Criando a malha de cérebro inteiro
    1. Carregar a superfície do cérebro criada na parte 1 para servir como o limite externo do FME
    2. Crie duas superfícies de caixa concêntricos cercando a liderança DBS para controlar a densidade da malha ao redor do eletrodo.
      Nota: O DBS liderar e caixa de superfície deve ser alinhado ao longo do eixo z positivo com a ponta inferior do eixo do eletrodo localizado na origem. Isto é importante para a posterior de rotação e translação do eléctrodo.
    3. Crie uma nuvem de pontos com um único ponto localizado em cada região distinta da malha. As regiões da malha são: os segmentos de eixo, os quatro contatos, a caixa e a superfície do cérebro. Os valores ligados a esses pontos representam as restrições de volume máximo para cada elemento tetraédrico na malha para aquela região. Essas restrições são ajustadas para controlar a densidade de malha e em torno do eletrodo.
    4. Use o módulo "InterfaceWithTetGen" para criar a malha de todo o cérebro. Defina as portas de entrada da seguinte forma:
      Porta 1: cérebro superfície (1.1)
      Porto 2: nuvem de pontos atributo regional, restrições de volume (de 2.3.3)
      Porta 3: nenhum
      Porta 4: superfícies de modelo de eletrodo (a partir de 2.2)
  4. Colocação do eletrodo interativo
    Nota: O objetivo desta etapa é permitir o movimento fácil do eléctrodo em qualquer lugar dentro do cérebro e tem o sistema automaticamente atualizar com uma nova malha e simulação.
    1. Use dois módulos de CreateGeometricTransform em cascata para girar o eletrodo no plano X e Y. Clique em girar e definir o primeiro módulo de 1,00 no Eixo Y e o segundo a 1,00 no Eixo X. O ângulo de rotação é definido com o controle deslizante inferior, Girar Theta (graus).
    2. Conecte um módulo de TransformMeshWithTransform para cada transformação e objeto que precisa ser transformado.
    3. Criar um módulo de GenerateSinglePointProbeFromField e conectar o seu porto de geometria para o módulo de ViewScene . Movimentar a esfera na janela ViewScene , mantendo a tecla shift e clicar. O módulo de sonda de ponto atualiza localização da esfera após a libertação.
      Nota: Este local é usado para determinar a transformação de tradução aplicada a geometria do eletrodo.
    4. Use um módulo de TransformMeshWithTransform para traduzir cada parte da geometria do eletrodo com a localização do ponto de sonda.
    5. Aplica as transformações de rotação de dois e a tradução do widget de sonda de ponto para cada objeto, exceto a superfície do cérebro.
      Nota: Todos os três destas transformações devem ser realizados em cada objeto antes que é canalizada para o módulo InterfaceWithTetGen para que o algoritmo de engrenagem sabe nas malhas da geometria do eletrodo dentro do cérebro para a nova localização e orientação. Cada vez que o eletrodo é movido dentro do cérebro será construída uma nova malha.

3. cálculo de campo bioelétrico

  1. Definir parâmetros de condutividade
    1. Carregar o volume DTI criado na etapa 1 e defina os dados para a saída de malha tetraédrica de InterfaceWithTetGen criado na etapa 2, usando o MapFieldDataFromSourceToDestination com a opção linear('weighted').
      Nota: Qualquer estimativa de condutividade anisotrópica pode ser implementada nesta etapa.
    2. Como a condutividade da região eixo 1e-6 e a região de contato para 1e6 usando CalculateFieldData. Uma vez que todos os valores de condutividade são definidos, tubo do campo em BuildFEMatrix.
  2. Definição de fontes de corrente/tensão e condições de contorno
    1. Tubulação da superfície do cérebro utilizadas no processo de engrenagem do passo 2 em SetFieldDataToConstantValue e defina o valor como 0. Isto irá criar um coletor de tensão na superfície de todo o cérebro. Em seguida, use InsertVoltageSource para colocar os valores de tensão na saída do InterfaceWithTetGenmalha tetraédrica.
    2. Para estimulação monopolar, crie um único ponto no centro de um dos locais de contacto calculando o valor de FieldCenter do módulo de ReportFieldInfo em uma das superfícies de contato. Defina os dados de campo sobre este ponto a-1 Volts. Em seguida, use InsertVoltageSource para colocar o ponto de origem na malha tetraédrica.
      Nota: Existem agora duas cópias da malha tetraédrica. Um com valores de tensão definida sobre a superfície do cérebro e outra com uma fonte do ponto dentro de um contato.
    3. Junte-se a saída dos dois módulos InsertVoltageSource e canalizar a saída para ApplyFEMVoltageSource juntamente com a saída de BuildFEMatrix.
  3. Resolvendo o problema de frente
    Nota: A saída de ApplyFEMVoltageSource dá a matriz de rigidez na porta 1 e a matriz de lado direito na porta 2. Estes são os dois componentes necessários para resolver o sistema de equações.
    1. Canalize as duas saídas de ApplyFEMVoltageSource em SolveLinearSystem. Selecione o conjugado gradiente resolver método e Jacobi como o preconditioner. A saída deste módulo é a matriz de solução, o valor de tensão em cada nó na malha tetraédrica.
    2. Use SetFieldData para colocar a matriz de solução de tensão para a malha tetraédrica para uma representação em 3D da distribuição de tensão.
  4. Visualização isosuperfície
    1. Canalize o resultado de SetFieldData em ExtractSimpleIsosurface. Abra a interface do usuário para o separador de quantidade e definir o número de isovalores espaçadas de 10.
    2. Usar um módulo de ShowField ShowField e conectá-lo ao módulo de ViewScene para exibir o isosuperfícies como transparente com um mapa de cor de arco-íris escalado para o min e max da solução de tensão.

Representative Results

No final do presente protocolo, todos os insumos necessários para criar um modelo específico de paciente são fornecidos: a superfície do cérebro, geometria do eletrodo e tensores de condutividade. Uma rede de SCIRun deve também ter sido criada que integra todas as entradas para construir um modelo de elementos finitos e simular o campo bioelétrico induzido. O modelo de simulação permite movimento do eletrodo dentro do cérebro e modificação de parâmetros, tais como contatos ativos ou amplitude de estimulação.

A Figura 1 demonstra a capacidade de simular e comparar as previsões de ativação da fibra através de várias posições de eletrodo. Geração de intervalos de fibra da imagem de difusão não foi demonstrada neste protocolo, mas esta análise pode ser realizada com qualquer método de tractografia determinista. Posição 2 prevê uma ativação mais robusta de feixe de fibras o alvo no menores amplitudes de estimulação através de todos os contatos em comparação com a posição 1. Esta análise é usada durante a fase de planejamento da cirurgia DBS para determinar a trajetória de eletrodo que efetivamente irá estimular a via fibra de alvo.

Uma romance característica deste sistema é a capacidade de alternar rapidamente a geometria do eletrodo no modelo e a capacidade de simular diversas pistas em estreita proximidade com o outro. Ambas estas abordagens são usadas para fornecer maior controle sobre a forma e direção do campo elétrico em torno do eletrodo. A Figura 2 ilustra a comparação das previsões de ativação da fibra entre um axissimétrico e um direcional que DBS conduzir enquanto investigava a posições de liderança para estimular a fibra talâmicos central percursos e evitando áreas tais como os núcleos sensoriais próximas . Para a mesma trajetória de eletrodo, podemos ver que a pista direcional é capaz de levar a ativação de fibra para a região de destino, evitando a estimulação das fibras indesejáveis. Esta análise pode ser usada para determinar quando seria necessário alterar o dispositivo que o paciente receberia para terapia DBS evitar a estimulação das regiões vizinhas que induziria efeitos colaterais indesejados. Essa abordagem é útil para o direcionamento do núcleo subtalâmica para tratar os sintomas da doença de Parkinson, evitando a cápsula interna nas proximidades.

Figure 1
Figura 1 : Comparação da posição do eletrodo e previsões de ativação de fibra alvo. Previsão de ativação de pacote total fibra para amplitudes de estimulação (-0,5 V a-5.0 V) e todos os contatos de quatro para duas posições diferentes do eletrodo. Clique aqui para ver uma versão maior desta figura.

Figure 2
Figura 2 : Comparação das previsões de ativação central fibra talâmica bundle com DBS axissimétrico e direcional leva. (A) visualização de ambos o DBS cilíndrico 3387 Medtronic chumbo e o Sapiens DBS direcional de chumbo com a ativação de cálculos de função sobre o alvo central talâmica fibrado para uma amplitude de estimulação monopolar único. (B) (i) uma seção transversal fatia através dos feixes de chumbo e fibra DBS. (ii) uma projeção bidimensional de área transversal com a identificação de DBS a conduzir, alvo de fibras e fibras para evitar. (C) a propagação da ativação nas fibras de alvo e fibras de evasão como amplitude de estimulação aumenta para o axissimétrico e direcional DBS de chumbo. Fibras ativadas para uma amplitude de determinado estímulo são mostradas em vermelho, enquanto que as fibras não ativadas são mostradas em azul. (D) uma compilação de todas as simulações mostradas no painel C, mostrando a amplitude de limiar de estimulação previsto em todas as regiões dos pacotes da fibra. Clique aqui para ver uma versão maior desta figura.

Discussion

Este protocolo demonstrou técnicas para reduzir a carga de tempo e custo computacional de construir modelos específicos de pacientes para DBS a um grau que permite perto de feedback em tempo real dos resultados de simulação. Gabarito rápido permite a exploração de um espaço de grande parâmetro para entender melhor como o parâmetro alterações afetam os resultados do modelo. Esses parâmetros incluem a liderança local, escolha de contatos ativos e a amplitude, largura de pulso e frequência da forma de onda de estimulação para esses contatos. As principais características da ferramenta proposta são: 1) A interface de usuário simples para ajustar os parâmetros do modelo com perto de visualização em tempo real de como esses parâmetros influenciam a simulação e automação 2) de criação de modelo de um pequeno conjunto de entradas: a superfície do cérebro, tensores de condutividade de tecido cerebral e uma superfície representação da geometria do eletrodo. Esta automação agiliza a criação de modelos específicos do paciente para muitos indivíduos que têm cérebro diferentes geometrias e condutividades de tecido bem como avaliar os efeitos de inserir desenhos diferentes eletrodo em modelos existentes. As etapas de pré-processamento de imagem descritas no presente protocolo não foram totalmente automatizadas e podem demorar até um dia de tempo de processamento. No entanto, uma vez concluídos os dados gerados a partir dessas etapas são considerados estáticos, ou seja, que esses dados não são modificados durante as simulações. A automatização da criação de modelo origina-se a capacidade do sistema de aplicar esses dados para o paciente específico FEM sem esforço manual. A rede de SCIRun para executar toda a geração do modelo, simulação, passos de visualização só precisa ser construída de uma vez. Portanto, apenas as etapas de pré-processamento de imagem precisam ser executada novamente para gerar um modelo específico de paciente para um paciente chegando.

O ganho de desempenho na geração de resultados do pipeline de modelagem é devido à integração de geração de malha, campo bioelétrico cálculos e visualização da solução em um ambiente de software único. Técnicas de modelagem existentes, tais como geração de malha adaptativa foram usados para criar maior malha densidade em torno do eletrodo e menor densidade mais distante do eletrodo que reduz o tempo para criar e resolver a FME O software, SCIRun, também permite a automação da geração de malha e cálculos de campo bioelétrico. Definido pelo usuário movimento do eletrodo usando os widgets interativos desencadeia a construção de uma nova malha com a posição atualizada do eletrodo. Isso inclui modificar os valores de condutividade para a nova posição do eletrodo e condições de contorno.

A geometria do eletrodo é tratada como um objeto em movimento livre dentro do volume do cérebro antes que sua posição é integrada a FME Uma implicação fundamental desta abordagem para construção de malha é que vários eletrodos facilmente podem ser inseridos no modelo. Por exemplo, uma segunda cópia da geometria do eletrodo pode ser colocada vários milímetros de distância, e ambos serão incluídos no FME Em pesquisa recente, dois eletrodos foram implantados nas proximidades para tratar a esclerose múltipla tremor13 e foram usados em experimentos de primatas não humanos para explorar a estimulação eficaz alvos21. O benefício do uso de múltiplos eletrodos é fornecer o melhor controle do campo elétrico gerado no tecido sobre uma área maior. Estimulando com contatos ativos em ambos os eléctrodos pode orientar atual para a região de destino e longe de regiões que levariam a efeitos colaterais negativos. Exercer um melhor controle da estimulação sobre uma área maior, também é útil para explorar locais de estimulação diferentes quando a localização exata do alvo pretendido é desconhecida, como é o caso com muitas das aplicações emergentes terapia de DBS. No entanto, determinar os parâmetros para obter estimulação terapêutica é mais desafiador do que um único eletrodo devido ao aumento no espaço parâmetro já grandes.

Vislumbramos que esta ferramenta de modelagem interativa pode proporcionar benefícios durante o planejamento pré-operatório para implantação de DBS. Feedback sobre o grau de estimulação no tecido cerebral pode permitir que os cirurgiões modificar a localização do eletrodo em seu plano cirúrgico para fornecer a estimulação terapêutica para a região de destino. Enquanto DBS terapia foi o principal fator motivador para desenvolver esta ferramenta, as técnicas apresentadas neste artigo podem ser aplicadas a qualquer modelo de campo bioelétrico FEM com estimulação diferente ou paradigmas de gravação. Terapias de estimulação, tais como a estimulação transcraniana de corrente contínua para depressão22 ou o uso de eletrodos de profundidade para o tratamento da epilepsia23 compartilham os mesmos desafios que DBS em determinar a melhor localização de estimulação para atingir resultados terapêuticos. Eletrocorticografia, uma técnica de gravação com matrizes de eletrodos na superfície do cérebro para identificar regiões de aparecimento de apreensão, tem o desafio de determinar onde colocar os eletrodos para gravar a partir de regiões-alvo no cérebro24. Todas essas aplicações são dependentes da posição do eletrodo ao lidar com a incerteza de como a corrente flui através do tecido do cérebro. As técnicas apresentadas neste trabalho reduzem a carga de gerar e utilizar modelos computacionais enquanto fornecendo feedback significativo para pesquisadores e clínicos usando estes dispositivos que não são especialistas em modelagem.

Disclosures

Christopher R. Butson, Ph.D. tem servido como um consultor para NeuroPace, Advanced biônica, Boston Scientific, Intelect Medical, St. Jude Medical e neuromodulação funcional.

Acknowledgments

Este projecto foi apoiado pelo Instituto Nacional de saúde subsídios UH3, NS095554. Suporte técnico foi fornecido pelo centro de computação biomédica Integrativa na computação científica e Instituto de imagem e se tornou possível em parte por software desenvolvido de NIH P41-GM103545, centro de Integrativa biomédica de computação.

Gratidão é estendido para Lexie chão e Nathan Galli na computação científica e Instituto de imagem para produção e edição de vídeo a apresentação e também para Theresa Lins para obter assistência com a preparação do manuscrito.

Materials

Name Company Catalog Number Comments
FreeSurfer Athinoula A. Martinos Center for Biomedical Imaging https://surfer.nmr.mgh.harvard.edu/
3D Slicer BWH, Harvard University https://www.slicer.org/
SCIRun  University of Utah Center for Integrative Biomedical Computing http://www.sci.utah.edu/cibc-software/scirun.html

DOWNLOAD MATERIALS LIST

References

  1. Benabid, A. L., et al. Chronic electrical stimulation of the ventralis intermedius nucleus of the thalamus as a treatment of movement disorders. Journal of Neurosurgery. 84, (2), 203-214 (1996).
  2. Limousin, P., et al. Effect of parkinsonian signs and symptoms of bilateral subthalamic nucleus stimulation. The Lancet. 345, (8942), 91-95 (1995).
  3. Schiff, N. D., et al. Behavioural improvements with thalamic stimulation after severe traumatic brain injury. Nature. 448, (7153), 600-603 (2007).
  4. Vandewalle, V., et al. Stereotactic treatment of Gilles de la Tourette syndrome by high frequency stimulation of thalamus. Lancet. 353, (9154), 724 (1999).
  5. Mayberg, H. S., et al. Deep brain stimulation for treatment-resistant depression. Neuron. 45, (5), 651-660 (2005).
  6. Hashimoto, T., Elder, C. M., Okun, M. S., Patrick, S. K., Vitek, J. L. Stimulation of the subthalamic nucleus changes the firing pattern of pallidal neurons. Journal of Neuroscience. 23, (5), 1916-1923 (2003).
  7. York, M. K., Wilde, E. A., Simpson, R., Jankovic, J. Relationship between Neuropsychological Outcome and DBS Surgical Trajectory and Electrode Location. J. Neurol. Sci. 287, (1-2), 159-171 (2009).
  8. Machado, A., et al. Deep brain stimulation for Parkinson's disease: surgical technique and perioperative management. Movement Disorders. 21, S247-S258 (2006).
  9. Volkmann, J., Moro, E., Pahwa, R. Basic algorithms for the programming of deep brain stimulation in Parkinson's disease. Movement Disorders. 21, (S14), S284-S289 (2006).
  10. Contarino, M. F., et al. Directional steering: A novel approach to deep brain stimulation. Neurology. 83, (13), 1163-1169 (2014).
  11. Pollo, C., et al. Directional deep brain stimulation: An intraoperative double-blind pilot study. Brain. 137, (7), 2015-2026 (2014).
  12. Willsie, A. C., Dorval, A. D. Fabrication and initial testing of the µDBS: a novel deep brain stimulation electrode with thousands of individually controllable contacts. Biomedical Microdevices. 17, (56), 9961 (2015).
  13. Oliveria, S. F., et al. Safety and efficacy of dual-lead thalamic deep brain stimulation for patients with treatment-refractory multiple sclerosis tremor: a single-centre, randomised, single-blind, pilot trial. The Lancet Neurology. 16, (9), 691-700 (2017).
  14. Butson, C. R., Cooper, S. E., Henderson, J. M., Wolgamuth, B., Mcintyre, C. C. Probabilistic Analysis of Activation Volumes Generated During Deep Brain Stimulation. Neuroimage. 54, (3), 2096-2104 (2011).
  15. Basser, P. J., Mattiello, J., LeBihan, D. MR diffusion tensor spectroscopy and imaging. Biophys. J. 66, (1), 259-267 (1994).
  16. Gullmar, D., Haueisen, J., Reichenbach, J. R. Influence of anisotropic electrical conductivity in white matter tissue on the EEG/MEG forward and inverse solution. A high-resolution whole head simulation study. NeuroImage. 51, (1), 145-163 (2010).
  17. Fischl, B. FreeSurfer. Neuroimage. 62, (2), 774-781 (2012).
  18. Fedorov, A., et al. 3D Slicer as an Image Computing Platform for the Quantitative Imaging Network. Magn. Reson. Imaging. 30, (9), 1323-1341 (2012).
  19. Jenkinson, M., Beckmann, C. F., Behrens, T. E., Woolrich, M. W., Smith, S. M. FSL. Neuroimage. 62, (2), 782-790 (2012).
  20. Medtronic DBS 3387/3389 Lead Kit Manual. (2018).
  21. Baker, J. L., et al. Robust modulation of arousal regulation, performance and frontostriatal activity through central thalamic deep brain stimulation in healthy non-human primates. Journal of Neurophysiology. 116, (5), 2383-2404 (2016).
  22. Fregni, F., et al. Treatment of major depression with transcranial direct current stimulation. Bipolar Disorders. 8, (2), 203-204 (2006).
  23. Hodaie, M., Wennberg, R. A., Dostrovsky, J. O., Lozano, A. M. Chronic anterior thalamus stimulation for intractable epilepsy. Epilepsia. 43, (6), 603-608 (2002).
  24. Rosenow, F., Lüders, H. Presurgical evaluation of epilepsy. Brain. 124, (9), 1683-1700 (2001).
Segmentação Neuronal fibra folhetos para a terapia de estimulação profunda do cérebro usando modelos interativos, paciente específico
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Janson, A. P., Butson, C. R. Targeting Neuronal Fiber Tracts for Deep Brain Stimulation Therapy Using Interactive, Patient-Specific Models. J. Vis. Exp. (138), e57292, doi:10.3791/57292 (2018).More

Janson, A. P., Butson, C. R. Targeting Neuronal Fiber Tracts for Deep Brain Stimulation Therapy Using Interactive, Patient-Specific Models. J. Vis. Exp. (138), e57292, doi:10.3791/57292 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter